红松杈干类型与林分密度、个体生长指标及丰年株均结实量的关系

选取4种密度的红松人工林,设置15块25 m×40 m的临时样地,采用单因素Logistic回归分析和Meta分析方法定量分析了不同杈干类型与红松林分密度、树高、胸径、冠幅及丰年结实量的关系。结果表明:杈干率随着密度的增大呈现降低趋势,与密度600株·hm~(-2)相比,密度750、900和1200株·hm-2的杈干发生概率分别降低了24%、51%和59%;3种杈干类型中以双杈为主,样地内双杈类型株数占杈干总株数的60%以上;杈干对红松各项生长指标和丰年结实量均有显著影响(P≤0.05),杈干木的平均树高、胸径、冠幅和丰年单株球果产量与未杈干木相比分别增加了2.12%、4.69%、4.89%和29.57%;不同杈干类型对红松树高、胸径和结实的影响规律不同,单杈类型对红松生长和结实指标影响不显著(P0.05),其平均树高、胸径、冠幅、丰年单株结实量分别比未杈干类型增加了1.49%、1.99%、1.47%和20.64%;双杈和多杈干类型的各指标与未杈干类型相比有显著差异(P≤0.05),其平均树高、胸径、冠幅及丰年单株球果产量比未杈干木分别增加了2.07%和2.90%,6.00%和6.09%,6.29%和5.99%,及34.61%和26.22%。Logistic回归模型和Meta分析结果证明,红松杈干木对生长结实的促进效应明显,其中双杈和多杈干类型的促进效应表现明显,单杈木的杈干效应不明显,40 a左右的红松人工林杈干效应在林分密度600~750株·hm~(-2)是最佳的。     

红松人工林树冠大小与果实产量关系的研究

以黑龙江省佳木斯市孟家岗林场红松人工林为研究对象,基于12块样地70株枝解析数据及21块固定样地2008~2010年的结实量数据,利用异速生长方程建立立木树冠体积和表面积预估模型,同时对树冠大小与欠年、平年、丰年的红松结实量进行了相关分析。结果表明:树冠体积和表面积与冠长、胸径、冠幅和树高均显著相关,其中与胸径相关系数最大,与树高相关系数最小。本文所建立的模型确定系数R2都在0.55以上,预测精度大多数在85%以上。利用所建立的树冠体积与表面积模型,我们分析了其对结实量的影响。结果显示,红松人工林结实量与其树冠体积大小以及与树冠表面积大小呈线性关系,其中,结实丰年的结实量与树冠体积以及与树冠表面的线性关系最明显(r=0.726 7-0.733 8),平年次之(r=0.688 8-0.667 5),欠年最差(r<0.5)。总的来说,本文所建立的红松人工林立木树冠体积和表面积单变量和多变量模型能对红松立木树冠大小进行很好的估计,为进一步研究红松人工林结实规律及果材兼用林优化经营提供基础。     

基于非线性混合模型的红松人工林枝条生长

基于黑龙江省孟家岗林场36株红松人工林的枝解析数据,以单分子式和理查德方程作为枝条基径(BD)和枝长(BL)生长模型,分别考虑样地效应和样木效应,利用SAS软件的PROC NLMIXED模块构建了枝条基径和枝长生长的非线性混合模型.采用Akaike信息准则(AIC)、贝叶斯信息准则(BIC)、对数似然值(-2Log likelihood)和似然比检验(LRT)等评价指标对所构建模型的精度进行比较.结果表明:当考虑样地效应时,α1、α3和β1、β3分别作为随机参数时基径和枝长生长模型拟合效果最好;当考虑样木效应影响时,α2、α3和β1、β3分别作为随机参数时基径和枝长生长模型拟合效果最好.非线性混合模型不但可反映枝生长总体平均变化趋势,还能反映个体之间的差异.无论考虑样地效应还是样木效应,非线性混合模型的拟合精度都比传统回归模型的拟合精度高,并且考虑样木效应的拟合精度高于考虑样地效应的拟合精度.     

人工红松树干内部节子体积预测模型

基于黑龙江省林口林业局林场和东京城林业局林场29块标准地中49株人工红松1207个节子数据,使用图片处理软件Digimizer对节子纵剖面图片数据进行提取,将节子形状用一个二维散点图表示。根据节子二维形状散点图,把人工红松节子分为3种类型: 活节(整个节子为健全节)、未包藏死节(节子由健全节和疏松节组成)和包藏死节(节子的健全节和疏松节部分被树干包藏)。3个类型节子的健全节体积通过对健全节形状参数方程求积得到;疏松节体积利用圆柱体的体积计算得到;节子总体积等于健全节体积与疏松节体积之和。最后,基于节子变量(节子直径、节子相对高、节子总长度)和树木变量(胸径),采用样地和树木水平的线性混合模型建立了红松人工林健全节体积、疏松节体积和节子总体积的预测模型。与基础模型相比,考虑样地和树木水平的混合效应所建立的健全节体积、疏松节体积和节子总体积预测模型,其参数估计更精准,残差分布更均匀,拟合精度明显提高。检验结果表明,基础模型预估精度均在90%以上,引入样地和树木效应的混合模型的预估精度均在93%以上,说明所建模型可以很好地预测红松人工林节子体积大小。     

基于线性混合模型的红松人工林一级枝条大小预测模拟

基于黑龙江省孟家岗林场60株人工红松955个标准枝数据,采用线性混合效应模型理论和方法,考虑树木效应,利用SAS软件中的MIXED模块拟合红松人工林一级枝条各因子(基径、枝长、着枝角度)的预测模型.结果表明： 通过选择合适的随机参数和方差协方差结构能够提高模型的拟合精度;把相关性结构包括复合对称结构CS、一阶自回归结构AR(1)及一阶自回归与滑动平均结构ARMA(1,1)加入到一级枝条大小最优混合模型中,AR(1)可显著提高枝条基径和角度混合模型的拟合精度,但3种结构均不能提高枝条角度混合模型的精度.为了描述混合模型构建过程中产生的异方差现象,把CF₁和CF₂函数加入到枝条混合模型中,CF₁函数显著提高了枝条角度混合模型的拟合效果,CF₂函数显著提高了枝条基径和长度混合模型拟合效果.模型检验结果表明：对于红松人工林一级枝条大小预测模型,混合效应模型的估计精度比传统回归模型估计精度明显提高.
     

基于随机效应的兴安落叶松材积生长模拟

基于黑龙江省带岭林业局大青川林场80株人工兴安落叶松解析木数据和Logistic生长模型,分别考虑单木效应和样地效应,利用S-PLUS软件中的NLME过程拟合非线性材积生长模型,采用赤池信息准则(AIC)、贝叶斯信息准则(BIC)、对数似然值和似然比检验等模型评价指标对不同模型的精度进行比较.结果表明：当考虑单木效应影响时,b₁、b₂、b₃（分别代表Logistic模型中的渐进、尺度和形状的随机参数）同时作为随机参数时模型拟合效果最好; 当考虑样地效应影响时,b₁作为随机参数时模型拟合效果最好.基于单木效应和样地效应的混合模型的拟合精度高于基本模型（Logistic生长模型）,考虑单木效应影响的混合模型的精度高于考虑样地效应影响的模型.模型检验结果表明,随机效应模型不但能反映单木材积的总体平均变化趋势,还能反映个体之间的差异;随机效应模型通过校正随机参数值能提高模型的预测精度.     

红松人工林优势木竞争指数影响因子

在温带湿润气候区东段不同立地条件下的红松人工林内设置面积为600 m~2(20 m×30 m)的70块矩形固定样地。在每个样地内,选取5颗最高且长势较好的优势木作为研究的对象木,用Voronoi图确定优势木相应的竞争木,测定每一块样地内优势木与竞争木之间的距离。采用Hegyi单木竞争指数模型,分析优势木在不同样地水平上的种内竞争强度,探讨林分生长因子、地形因子、土壤养分因子对优势木竞争指数的影响,并对这3类因子与优势木竞争指数进行相应的拟合和相关性分析。结果表明：红松人工林优势木竞争强度随着优势木胸径的增大而变小,并且两者之间的关系服从幂函数;红松优势木的竞争指数与其树高、胸径、冠幅呈极显著的相关关系(P<0.01);坡向、坡位、海拔对竞争指数影响极显著(P<0.01);红松人工林优势木竞争指数的大小与土壤氮磷钾含量均呈极显著的相关关系(P<0.01);pH值对优势木竞争指数的影响不显著。当红松人工林优势木平均胸径达到45cm,优势木平均树高和冠幅大于周围竞争木时,其对周围资源的利用程度增大,林木会发生自然稀疏现象,其所受的竞争压力减小。红松喜光性强,对水分的要求高,...     

利用线性混合效应模型模拟杉木人工林枝条生物量

基于福建省将乐林场45株人工杉木解析木的572组枝条生物量数据,采用线性混合效应模型方法,建立杉木人工林枝条总生物量和枝、叶生物量的预测模型,并利用独立样本数据对模型进行检验.结果表明： 线性混合效应模型比传统多元线性回归模型的拟合精度高.不同随机效应参数的组合,其混合模型的精度不同.考虑异方差结构的混合模型能够消除数据间的异方差性,其精度更高,其中,对于枝条总生物量和叶生物量模型,以指数函数作为异方差结构时的模型精度最高;对于枝生物量模型,以常数加幂函数作为异方差结构时的模型精度最高.模型检验结果表明：对于杉木人工林枝条生物量预测模型,考虑随机效应和异方差结构的线性混合模型的检验精度比传统多元线性回归模型的精度有明显提高.     

两种方法预估红松立木含碳量的精度

森林碳储量是评价森林生态系统生态效益的重要指标,准确估计立木各器官(树干、树枝、树叶和树根)含碳量是其基础。基于黑龙江省44株人工红松各器官生物量和含碳量的实测数据,采用非线性联立方程组构建了相容性立木生物量和含碳量模型,比较了两种方法(直接法和间接法)估计红松立木含碳量的精度。直接法是通过构建各器官相容性含碳量模型,直接预估立木各器官含碳量。间接法是由各器官相容性生物量模型,结合3种形式的含碳率(平均含碳率0.5、林木实测平均含碳率,各器官实测平均含碳率)来预估树木各器官含碳量。研究结果表明:相容性生物量和含碳量模型的相关指数R2为0.76—0.99,模型的拟合效率(EF)为0.80—0.98。直接法中树干、树枝、树叶、树根和总量的含碳量预估精度分别为91.03%、80.02%、70.24%、87.10%、93.08%;间接法中采用平均含碳率0.5的预估精度与直接法相比,各器官及总量分别下降1.39%、1.5%、0.13%、1.09%和2.2%,而采用另外两种形式的含碳率其预估精度降幅在0.3%以内。依据文中推导的相对误差积累公式可知,间接法的预估精度主要与Ci%/珔C%(Ci%为单木各器官含碳率,珔C%为实测平均含碳率)有关。显然,直接法是预估红松立木含碳量的最佳方法。通常使用的碳含量转换系数0.5与实测含碳率有明显差异,因此间接法中采用0.5的含碳率其预估精度最低,而使用各器官实测的含碳率可以明显提高预估精度。     

黑龙江省红松人工林枝条分布数量模拟

基于黑龙江省佳木斯市孟家岗林场的12块样地65株人工红松解析木的955个枝解析数据,以Poisson回归模型和负二项回归模型作为备选模型,构建了人工红松二级枝条数量分布模型,并采用AIC、Pseudo-R²、均方根误差(RMSE)和Vuong检验对模型的拟合优度进行比较.结果表明: 每轮一级枝条分布数量集中在3~5个,均值为4个,一级枝条分布数量与人工红松自身的枝条属性相关.一级标准枝上二级枝条分布的离散程度较大,利用全部子回归技术构建二级枝条分布数量模型,最终选择以负二项回归模型为基础的E(Y)=exp(β₀+β₁lnRDINC+β₂RDINC²+β₃HT/DBH+β₄CL+β₅DBH)作为二级枝条分布数量最优预测模型(β为参数;RDINC为相对着枝深度;HT为树高;DBH为胸径;CL为冠长).最优模型的Pseudo-R²为0.79,平均偏差接近于0,平均绝对偏差<7.对于所建立的模型,lnRDINC、CL和DBH的参数为正值,RDINC²和HT/DBH的为负值,随着RDINC增大,在树冠内二级枝条分布数量存在最大值.总的来说,所建立的人工红松二级枝条分布数量模型的预测精度为96.4%,可以很好地预估该研究区域人工红松二级枝条分布数量,为以后枝条的光合作用和生物量的研究提供了理论基础.